Multi-modal biometric authentication: Leveraging shared layer architectures for enhanced security

要約

この研究では、顔、音声、署名データを統合してセキュリティ対策を強化する新しいマルチモーダル生体認証システムを紹介します。
畳み込みニューラル ネットワーク (CNN) とリカレント ニューラル ネットワーク (RNN) の組み合わせを利用する当社のモデル アーキテクチャには、包括的な特徴抽出のためのモダリティ固有の機能強化とともにデュアル共有レイヤーが独自に組み込まれています。
このシステムは、関節損失関数を使用した厳密なトレーニングを受け、さまざまな生体認証入力の精度を最適化します。
主成分分析 (PCA) による機能レベルの融合と、勾配ブースティング マシン (GBM) による分類により、認証プロセスがさらに洗練されます。
私たちのアプローチは、認証の精度と堅牢性の大幅な向上を実証し、高度で安全な本人確認ソリューションへの道を切り開きます。

要約(オリジナル)

In this study, we introduce a novel multi-modal biometric authentication system that integrates facial, vocal, and signature data to enhance security measures. Utilizing a combination of Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs), our model architecture uniquely incorporates dual shared layers alongside modality-specific enhancements for comprehensive feature extraction. The system undergoes rigorous training with a joint loss function, optimizing for accuracy across diverse biometric inputs. Feature-level fusion via Principal Component Analysis (PCA) and classification through Gradient Boosting Machines (GBM) further refine the authentication process. Our approach demonstrates significant improvements in authentication accuracy and robustness, paving the way for advanced secure identity verification solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google